Ανάπτυξη εύρωστων εφαρμογών αλληλεπίδρασης ανθρώπου-μηχανής βασισμένων σε ηλεκτροεγκεφαλογραφικές καταγραφές: μελέτη μεθόδων μηχανικής μάθησης σε γνωσιακές καταστάσεις και νευρολογικές διαταραχές
Περίληψη
Το ηλεκτροεγκεφαλογράφημα είναι ένα διαγνωστικό εργαλείο που συχνά δεν αξιοποιείται επαρκώς παρά τις σημαντικές δυνατότητές του. Χρησιμοποιείται για την παρακολούθηση της ηλεκτρικής δραστηριότητας στον εγκέφαλο, παρέχοντας υψηλή χρονική ανάλυση που το καθιστά ιδιαίτερα κατάλληλο για ανάλυση σε πραγματικό χρόνο. Τα εγγενή χαρακτηριστικά των δεδομένων ηλεκτροεγκεφαλογραφήματος, όπως η χρονική του ανάλυση, τα καθιστούν ιδανικό υποψήφιο για εφαρμογή στη μηχανική μάθηση, ενισχύοντας τις δυνατότητές τους για αυτοματοποιημένη ανάλυση και διάγνωση. Ο στόχος αυτής της διδακτορικής έρευνας είναι η εφαρμογή σύγχρονων τεχνικών επεξεργασίας σήματος και αλγορίθμων μηχανικής μάθησης για την ανάπτυξη αξιόπιστων μεθοδολογιών για την αυτοματοποιημένη ανίχνευση νευρολογικών καταστάσεων και γνωστικών καταστάσεων. Ενώ η κύρια εστίαση είναι στην έρευνα για τη νόσο Αλτσχάιμερ, η μελέτη αυτή διερευνά επίσης εφαρμογές στις διεπαφές εγκεφάλου-υπολογιστή και στην επιληψία. Τα ευρήματα της έρευνας δείχνουν ότι οι ...
περισσότερα
Περίληψη σε άλλη γλώσσα
Electroencephalography is a diagnostic tool that is often underutilized despite its significant potential. It is used for monitoring electrical activity in the brain, providing a high temporal resolution that makes it particularly suitable for real-time analysis. The inherent characteristics of EEG data, such as its temporal resolution, make it an ideal candidate for application in machine learning, enhancing its capabilities for automated analysis and diagnosis. The aim of this PhD research is to apply modern signal processing techniques and machine learning algorithms to develop robust methodologies for the automated detection of neurological conditions and cognitive states. While the primary focus is on Alzheimer's research, this study also explores applications in Brain-Computer Interfaces and epilepsy. The research findings indicate that automated methodologies, when combined with EEG data, can significantly improve screening processes for dementia and other neurological condition ...
περισσότερα
![]() | |
![]() | Κατεβάστε τη διατριβή σε μορφή PDF (7.66 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
![](/eadd/image/spinner.gif)
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
![](/eadd/image/spinner.gif)
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
![](/eadd/image/spinner.gif)
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
![](/eadd/image/spinner.gif)
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.